java - 优化 Regex 以提取两个标签之间的内容(或 How to select content between two tags with Jsoup selector API?)

Question

我正在尝试创建一个正则表达式来从我们的文档站点中提取两个 anchor 标记之间的内容。

让我们以JDK wiki page为例举个例子。我想提取“JDK 内容”和“JDK 与 SDK 之间的歧义”之间的内容。我当前的正则表达式是:

<span[^>]*\bid\s*=\s*(?:"|')?JDK_contents(?:'|")?[^>]*>([^<]*)</span>(.*?)
(<span[^>]*\bid\s*=\s*(?:"|')?Ambiguity_between_a_JDK_and_an_SDK(?:'|")?[^>]*>[^<]*</span>.*)

但由于这种正则表达式会被多次执行，所以我想对其进行优化。

我可以考虑的一件事是 .*?: </span>(.*?)(<span[^>]...) 因为它会匹配任何东西，并导致很多回溯。

顺便说一句，我也试过贪心版:</span>(.*)(<span[^>]...) , 但它比 .* 慢得多将匹配所有文本，然后回溯到 Ambiguity_between_a_JDK_and_an_SDK跨度。

我正在使用 Java。谁能帮忙提供一些见解？

Answer 1

您可以使用 Jsoup 的 css 选择器实现相同的效果。

解决方案

h2:has(span#JDK_contents) ~ *:not(h2:has(span#Ambiguity_between_a_JDK_and_an_SDK) ~ *):not(h2)

DEMO

描述

为清楚起见，我们将 h2Start 称为一个 h2 标签，该标签至少有一个 id 为 JDK_contents 的 span。我们也将 h2End 称为一个 h2 标签，它至少有一个 span 的 ID 为 Ambiguity_between_a_JDK_and_an_SDK。

h2:has(span#JDK_contents)  /* Select an h2Start */
~ *                        /* Select any node preceded by this h2Start... */
:not(h2:has(span#Ambiguity_between_a_JDK_and_an_SDK) ~ *) /* ...but not peceded by an h2End */
:not(h2) /* We remove h2End  */

注意: 在 JDK wiki page 的情况下, 最后一行就够了。更严格地说，我们会将其替换为 :not(h2:has(span#Ambiguity_between_a_JDK_and_an_SDK))。